Per daug AI tyrinėtojų mano, kad tikrosios problemos nėra svarbios

Ponia Tech | Getty

Bet kuris tyrėjas, kuris daugiausia dėmesio skiria mašininio mokymosi taikymui realaus pasaulio problemoms spręsti, greičiausiai gavo tokį atsakymą: autoriai pateikia originalios ir labai motyvuojančios problemos sprendimą, tačiau tai yra pritaikymas, o reikšmė mašininiam mokymuisi yra ribota. bendruomenė.

Šie žodžiai yra tiesiai iš apžvalgos, kurią gavau apie dokumentą, kurį pateikiau NeurIPS (Neural Information Processing Systems) konferencija , geriausia mašininio mokymosi tyrimų vieta. Aš ne kartą mačiau susilaikymą straipsnių apžvalgose, kuriose mano bendraautoriai ir aš pristatėme metodą, motyvuotą programa, ir aš girdėjau panašias istorijas iš daugybės kitų.

Tai verčia mane susimąstyti: jei bendruomenė mano, kad didelio poveikio realaus pasaulio problemų sprendimas naudojant mašininį mokymąsi yra ribotas, tai ko mes stengiamės pasiekti?

The dirbtinio intelekto tikslas (pdf) yra stumti į priekį mašininio intelekto ribą. Mašininio mokymosi srityje naujas kūrimas paprastai reiškia naują algoritmą arba procedūrą arba, gilaus mokymosi atveju, naują tinklo architektūrą. Kaip pabrėžė kiti, šis perdėtas dėmesys naujiems metodams sukelia daugybę straipsnių, kuriuose pranešama ribiniai arba laipsniški patobulinimai apie lyginamuosius duomenų rinkinius ir eksponuoti klaidingą stipendiją (pdf) kai tyrinėtojai lenktyniauja į viršų lyderių lentelė .

Tuo tarpu daugelyje straipsnių, kuriuose aprašomos naujos programos, pateikiamos naujos koncepcijos ir didelio poveikio rezultatai. Tačiau atrodo, kad net užuomina apie žodį taikymas sugadina recenzentams. Dėl to tokie tyrimai yra marginalizuojami didelėse konferencijose. Vienintelė tikroji jų autorių viltis yra, kad jų darbai būtų priimti seminaruose, kurie retai sulaukia tokio paties bendruomenės dėmesio.

Tai yra problema, nes mašininis mokymasis yra daug žadantis sveikatos, žemės ūkio, mokslo atradimų ir kt. Pirmas juodosios skylės vaizdas buvo sukurta naudojant mašininį mokymąsi. Pats tiksliausias baltymų struktūrų prognozės , yra svarbus narkotikų atradimo žingsnis, atliekami naudojant mašininį mokymąsi. Jei kiti šioje srityje dirbantys asmenys būtų suteikę pirmenybę realaus pasaulio programoms, kokius dar novatoriškus atradimus būtume padarę iki šiol?

Tai nėra naujas apreiškimas. Cituoti klasikinį straipsnį pavadinimu Mašininis mokymasis, kuris yra svarbus (pdf) NASA kompiuterių mokslininkas Paliko Wagstaffą f : Daugelis dabartinių mašininio mokymosi tyrimų prarado ryšį su problemomis, svarbiomis didesniam mokslo ir visuomenės pasauliui. Tais pačiais metais, kai Wagstaff paskelbė savo straipsnį, konvoliucinis neuroninis tinklas, pavadintas AlexNet, laimėjo aukšto lygio vaizdo atpažinimo konkursą, kuriame pagrindinis dėmesys buvo skiriamas populiariam ImageNet duomenų rinkinį, o tai sukelia susidomėjimo sprogimą gilus mokymasis . Deja, jos aprašytas atjungimas nuo to laiko dar labiau pablogėjo.

Klaidingi klausimai

Taikomųjų tyrimų marginalizavimas turi realių pasekmių. Lyginamųjų duomenų rinkiniai, pvz., „ImageNet“ arba KOKOSAS , buvo labai svarbūs tobulinant mašininį mokymąsi. Jie leidžia algoritmams treniruotis ir lyginti tuos pačius duomenis. Tačiau šie duomenų rinkiniai yra šališkumo kurie gali būti integruoti į gautus modelius.

Daugiau nei pusė vaizdų „ImageNet“ (pdf) pavyzdžiui, iš JAV ir Didžiosios Britanijos. Dėl šio disbalanso sistemos netiksliai klasifikuoja vaizdus į kategorijas, kurios skiriasi geografija (pdf) . Populiarūs veido duomenų rinkiniai, tokie kaip AT&T veidų duomenų bazė , daugiausia yra šviesaus gymio vyriškos lyties subjektai, todėl sistemos sunkiai atpažįstamos tamsiaodžiai ir moteriški veidai .

Nors tyrėjai bando pranokti vienas kitą pagal išgalvotus etalonus, vienas iš devynių žmonių pasaulyje badauja.

Kai realaus pasaulio mašininio mokymosi programų tyrimai neįtraukiami į pagrindinę kryptį, tyrėjams sunku įžvelgti šališkų modelių poveikį, todėl daug mažesnė tikimybė, kad jie stengsis išspręsti šias problemas.

Viena iš priežasčių, kodėl taikomųjų programų tyrimai sumažinami, gali būti ta, kad kiti mašininio mokymosi dalyviai mano, kad šį darbą sudaro tiesiog jau egzistuojančių metodų taikymas. Tačiau iš tikrųjų mašininio mokymosi įrankių pritaikymas konkrečioms realaus pasaulio problemoms reikalauja daug algoritminio ir inžinerinio darbo. Mašininio mokymosi tyrėjai, kurie to nesuvokia ir tikisi, kad įrankiai pasiseks iš lentynos, dažnai sukuria neveiksmingus modelius. Arba jie įvertina modelio našumą naudodamiesi metrika, kuri neduoda realaus poveikio, arba iš viso pasirenka netinkamą tikslą.

Pavyzdžiui, dauguma tyrimų, taikančių gilųjį mokymąsi echokardiogramos analizei, bando pranokti gydytojo gebėjimą numatyti ligą. Bet numatantis normalus širdies funkcija (pdf) iš tikrųjų sutaupytų kardiologų daugiau laiko nustatant pacientus, kuriems nereikia jų patirties. Daugeliu tyrimų, kuriuose mašininis mokymasis taikomas vynuogininkystėje, siekiama optimizuoti vynuogių derlių (pdf) , bet vyndariai nori tinkamo cukraus ir rūgšties kiekio, o ne tik daug didelių vandeningų uogų, sako Drake'as Whitcraftas. Vyno darykla „Whitcraft“. Kalifornijoje.

Daugiau žalos nei naudos

Kita priežastis, dėl kurios taikomųjų programų tyrimai turėtų būti svarbūs norint integruoti mašininį mokymąsi, yra ta, kad lauko lyginamieji duomenų rinkiniai labai neatitinka tikrovės.

Nauji mašininio mokymosi modeliai vertinami pagal didelius, kuruojamus duomenų rinkinius, kuriuose nėra triukšmo ir kurie turi tiksliai apibrėžtas, aiškiai pažymėtas kategorijas (katė, šuo, paukštis). Gilus mokymasis naudingas šioms problemoms spręsti, nes jis daro prielaidą, kad pasaulis iš esmės stabilus (pdf) .

Tačiau realiame pasaulyje šios kategorijos nuolat keičiasi laikui bėgant arba atsižvelgiant į geografinį ir kultūrinį kontekstą. Deja, nebuvo sukurta naujų metodų, kurie padėtų spręsti realaus pasaulio duomenų sunkumus; Vietoj to, programų tyrinėtojai buvo skatinami sukurti savo etaloninių duomenų rinkinius.

Šių pastangų tikslas iš esmės yra išspausti realaus pasaulio problemas į paradigmą, kurią kiti mašininio mokymosi tyrinėtojai naudoja našumui įvertinti. Tačiau konkrečiam domenui būdingi duomenų rinkiniai greičiausiai nebus geresni už esamas versijas, atspindinčias realaus pasaulio scenarijus. Rezultatai gali padaryti daugiau žalos nei naudos. Žmonės, kuriems galėjo padėti šie tyrėjų darbai, nusivils technologijų, kurios prastai atlikti kai tai svarbiausia.

Dėl klaidingų šios srities prioritetų žmonės, kurie bando išspręsti didžiausius pasaulio iššūkius, negauna tiek daug naudos, kiek galėtų iš tikro dirbtinio intelekto pažado. Nors mokslininkai bando pranokti vienas kitą pagal išgalvotus etalonus, vienas iš devynių žmonių pasaulyje badauja . Žemė šyla ir jūros lygis kyla nerimą keliančiu greičiu.

Kaip neuromokslininkas ir AI minties lyderis Gary Marcusas kažkada rašė (pdf) : Didžiausias dirbtinio intelekto indėlis į visuomenę... galiausiai galėtų ir turėtų būti susijęs su automatizuotu moksliniu atradimu, kuris, be kita ko, veda prie daug sudėtingesnių medicinos versijų, nei įmanoma šiuo metu. Tačiau norėdami ten patekti, turime užtikrinti, kad laukas apskritai neįstrigtų vietiniame minimume.

Kad pasaulis gautų naudos iš mašininio mokymosi, bendruomenė vėl turi savęs paklausti, kaip kartą pasakė Wagstaff: kokia yra lauko objektyvi funkcija? Jei atsakymas yra teigiamas poveikis pasauliui, turime pakeisti požiūrį į programas.

Hanna Kerner yra Merilendo universiteto Koledžo parke tyrimų profesoriaus asistentas. Ji tiria mašininio mokymosi metodus, taikomus nuotolinio stebėjimo taikymams žemės ūkio stebėjimo ir maisto saugos srityse NASA derlius programa.

paslėpti